I.2Синтез, понимание и проверка знаний

bunnycore/Llama-3.2-1B-General-Best — объединённая языковая модель семейства Llama, созданная автором репозитория с помощью mergekit. В неё вошли huihui-ai/Llama-3.2-1B-Instruct-abliterated и bunnycore/LLama-3.2-1B-General-lora_model; применён метод passthrough. Модель содержит 1,2 млрд параметров, использует плотную архитектуру LlamaForCausalLM и доступна в формате safetensors для библиотеки Transformers. Модель предназначена для генерации текста и диалоговых сценариев. Метаданные указывают на контекст до 131 072 токенов и интерфейс вызова инструментов. В карточке не приведены результаты оценки качества, подробные инструкции по использованию или сведения о поддерживаемых языках. Лицензия в предоставленных данных не указана.

Llama3.2-3B-ShiningValiant2-GGUF — это GGUF-квантизированная версия языковой модели Llama3.2-3B-ShiningValiant2, разработанной ValiantLabs и подготовленной для распространения в квантизированных форматах пользователем bartowski. Модель построена на архитектуре Llama, содержит около 3 млрд параметров и предназначена для текстовой генерации в режиме instruction/chat. Указан английский язык; поддержка мультимодальности не заявлена. Модель ориентирована на диалоговые и технические сценарии, включая вопросы по естественным наукам, физике, биологии, химии, информатике и инженерии. В обучении или дообучении указаны наборы данных sequelbox/Celestia и sequelbox/Supernova. Доступны варианты от F16 до различных уровней квантизации, включая Q8_0 и Q6_K_L, что позволяет запускать модель локально через llama.cpp и LM Studio с разными требованиями к памяти и качеству. К сильным сторонам относятся компактный размер, локальный запуск и специализация на научно-технических запросах. Ограничения включают относительно небольшую ёмкость модели, английскую языковую ориентацию и возможное снижение качества при сильной квантизации; заявленный размер контекста в README не указан. В README приведены результаты тестов на ряде бенчмарков, однако они заметно различаются по задачам, поэтому модель следует проверять на конкретных рабочих сценариях. Лицензия указана как llama3.2.

Junpito/llama3-grpo-id-reasoning-16bit — дообученная Junpito модель семейства Llama для генерации текста и диалоговых сценариев. Она создана на базе Junpito/llama3-finetuned-id-16bit; в карточке указано обучение с использованием Unsloth и библиотеки TRL. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 3,2 млрд параметров и поддерживает контекст до 131 072 токенов. Модель предназначена для генерации англоязычного текста и ведения диалогов. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Карточка не приводит подробных результатов оценки качества или подтверждений специализированных возможностей рассуждения.

Это дообученная модель KKHYA на базе KKHYA/llavaqwen3-1.7b-finetune. Она использует архитектуру NMMaskMoELLaVAQwen3ForCausalLM и предназначена для генерации текста и диалогов; в метаданных также указана поддержка интерфейса вызова инструментов. Модель содержит 1,7 млрд параметров и поддерживает контекст до 40 960 токенов. Модель загружается через Transformers; веса доступны в форматах PyTorch и Safetensors. Она может подойти для диалоговых приложений и генерации текста с вызовом инструментов. Датасет дообучения не описан, поэтому специфические преимущества и качество для отдельных задач установить нельзя. Лицензия — Apache-2.0.

Это дообученная модель KKHYA на базе KKHYA/llavaqwen3-1.7b-finetune с 1,7 млрд параметров. Она предназначена для генерации текста и диалогов; в метаданных также указана поддержка интерфейса вызова инструментов. Модель создана 13 августа 2026 года и распространяется в форматах PyTorch и safetensors через Transformers. Лицензия — Apache-2.0. Карточка не описывает обучающий датасет, конкретные сценарии, оценку качества или специальные ограничения. Контекстное окно составляет 40 960 токенов. По имеющимся сведениям модель принимает и выдаёт текст.

Это дообученная модель KKHYA на базе KKHYA/llavaqwen3-1.7b-finetune с 1,7 млрд параметров. Она предназначена для генерации текста и диалогов; метаданные также указывают интерфейс для вызова инструментов. Модель построена на архитектуре NMMaskMoELLaVAQwen3ForCausalLM и доступна в форматах PyTorch и Safetensors. Родительская модель описана как Qwen3.

Loes Large EU — голландский ИИ-ассистент, разработанный HostYourAI и размещаемый на инфраструктуре в ЕС. Это дообученная на EuroLLM-22B-2512 плотная языковая модель архитектуры Llama с 21,9 млрд параметров; веса объединены после QLoRA-обучения. Модель предназначена для генерации текста и диалогов: она ориентирована на грамотный нидерландский язык, точное выполнение инструкций и многоходовое общение. Поддерживает контекст до 32 768 токенов и может запускаться через Transformers или vLLM. Обучение проводилось на примерно 5 200 отобранных синтетических примерах на нидерландском языке. В README описаны внутренние оценки на небольшом наборе запросов, включая проверку качества языка, обоснованности ответов и диалогов; эти результаты не гарантируют качество во всех сценариях. Модель предназначена прежде всего для общения на нидерландском, а метаданные также указывают английский язык. Лицензия Apache 2.0 разрешает использование, изменение и распространение.

yileitu/Mdist_8B_SelfDistill_Chem_from_Qwen3_14B — дообученная модель семейства Qwen3, созданная на базе Qwen/Qwen3-8B и обученная на наборе aligned_5w_data_from_upsampled_M0_Qwen3-8B_upsampled_50k_all_subtasks. Это диалоговая языковая модель с архитектурой Qwen3ForCausalLM и 7,6 млрд параметров, предназначенная для генерации текста; доступный контекст составляет до 40 960 токенов. Репозиторий использует Transformers и формат safetensors. Карточка не уточняет химические возможности модели, состав заданий в обучающем наборе или результаты оценки, поэтому специализированные сценарии применения подтвердить нельзя. Лицензия указана как other; конкретные условия следует сверить в карточке репозитория перед использованием.

MiniCPM5-2B-Abliterated-Uncensored-Safetensors-GGUF — это GGUF-квантизированная версия модели MiniCPM5-2B-Abliterated-Uncensored-Safetensors от mondk, подготовленная и опубликованная mradermacher. Модель предназначена для генерации текста, работы с инструментами и локального запуска на устройствах и периферийных системах. В метаданных указаны английский и китайский языки, а также совместимость с библиотекой Transformers и сценариями text-generation. Модель относится к классу компактных моделей примерно на 2 млрд параметров и распространяется в нескольких вариантах GGUF-квантизации — от Q2_K до Q8_0, а также в формате f16. Размер файлов составляет примерно от 1,1 до 5,1 ГБ; варианты Q4_K_S и Q4_K_M обозначены как быстрые и рекомендуемые, Q6_K — как обеспечивающий очень хорошее качество, а Q8_0 — как вариант с лучшим качеством среди быстрых. Длина контекста, точные архитектурные параметры и результаты оценивания в README не указаны. Компактный размер и наличие низкобитных вариантов делают модель подходящей для локального и edge-развертывания при ограниченных ресурсах. При этом качество и точность зависят от выбранного уровня квантизации: более компактные варианты экономят память, но могут сильнее снижать качество, тогда как f16 требует существенно больше ресурсов. Термин «abliterated» и заявленная «uncensored» направленность указывают на изменённое поведение в области ограничений безопасности, поэтому модель требует дополнительной проверки перед использованием в чувствительных или пользовательских сценариях. В метаданных указана лицензия Apache-2.0.

MiniCPM-V-4.6-Thinking — мультимодальная модель с открытыми весами от команды OpenBMB, вариант MiniCPM-V 4.6 для рассуждений с явной цепочкой анализа перед ответом. Она предназначена для диалога по изображениям и видео, визуальных вопросов и ответов, сложных мультимодальных задач, математики и распознавания текста на изображениях. Модель использует плотную архитектуру: визуальный энкодер SigLIP2-400M сочетается с языковой моделью Qwen3.5-0.8B; для визуальных токенов применяется сжатие 4x/16x. В README заявлена работа на устройствах iOS, Android и HarmonyOS, а метаданные указывают поддержку Transformers и интерфейса вызова инструментов. Модель принимает текст и изображения, а также может анализировать видео; выдаёт текстовые ответы и объяснения. Сведения о поддерживаемых естественных языках и длине контекста в предоставленных данных отсутствуют. Среди сильных сторон — компактная архитектура, ориентация на запуск на устройствах и режим рассуждений для сложных визуальных задач. При обработке видео кадры выбираются с ограничением по max_num_frames, а детализация изображений зависит от режима сжатия и числа срезов. Для работы с видео в некоторых конфигурациях CUDA возможны проблемы совместимости torchcodec; README описывает обходные варианты. Лицензия — Apache-2.0.

andrerean/minilm-arsip-kampus-seranah — текстовая Sentence Transformer модель, дообученная на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она кодирует предложения и абзацы в плотные векторы размерности 384 и предназначена для поиска и сравнения текстов по смыслу; близость оценивается косинусным сходством. Архитектура включает BertModel и mean pooling. В метаданных указаны 124,3 млн параметров и контекст до 512 токенов; README сообщает максимальную длину последовательности 384 токена. Модель обучена на 3 090 парах предложений, связанных с университетскими документами: примеры охватывают академические решения, бюджетные процедуры, охрану труда и лабораторную безопасность. Это делает её подходящей для семантического поиска и извлечения релевантных документов в подобном архиве. Базовая модель многоязычная, но основной язык обучающих примеров — индонезийский. Модель принимает текст и возвращает векторы. Лицензия в предоставленных данных не указана.

MISCHIEVOUS-12B-Mix_0.2v — слитая с помощью mergekit методом SLERP языковая модель на архитектуре Mistral, опубликованная bamec66557. Она предназначена для генерации текста, в том числе ролевых диалогов и творческого письма. Модель содержит 12,1 млрд параметров; метаданные указывают контекст до 1 024 000 токенов и поддержку английского и корейского языков. Для работы с диалогами также заявлен интерфейс вызова инструментов. Модель распространяется в формате safetensors; README также упоминает сборку GGUF Q4_K_M. В карточке приведены результаты оценки на Open LLM Leaderboard, включая IFEval и BBH. Лицензия — Apache-2.0. Приведённые сведения не описывают качество на конкретных прикладных задачах; фактическая производительность может зависеть от формата и используемого контекста.

datalama/mmBERT-small — мультиязычный чекпойнт энкодера ModernBERT, перенесённый из модели jhu-clsp/mmBERT-small и подготовленный для Transformers v5. Модель содержит 140,5 млн параметров, имеет 22 слоя и скрытый размер 384; контекст — до 8192 токенов. В метаданных основная задача указана как fill-mask, а базовая модель описана как компактный мультиязычный энкодер для заполнения пропусков и создания контекстных представлений более чем на 1800 языках. Чекпойнт подходит для восстановления замаскированных токенов и получения контекстных представлений текста в мультиязычных сценариях. Разработчик карточки выполнил перенос весов из pytorch_model.bin в safetensors и добавил настройки RoPE для совместимости с Transformers v5; в README указано, что все 138 тензоров после конвертации побитово совпадают с оригиналом, а различие выходов при проверке на четырёх многоязычных предложениях было небольшим. Лицензия — Apache-2.0. Подробности обучения и бенчмарки следует смотреть в карточке исходной модели.

maayans/modernbert-embed-large__ratio-address — англоязычная модель эмбеддингов на базе ModernBERT-large, дообученная для операции ADDRESS в наборе RATIO. Она кодирует запросы и предложения-кандидаты, чтобы находить научный подход или идею, отвечающие на проблему из запроса. Модель предназначена для семантического поиска по научной литературе и тематического retrieval; для запросов и документов следует использовать префиксы `search_query: ` и `search_document: ` соответственно. Модель основана на плотной архитектуре ModernBERT, содержит 394,7 млн параметров и поддерживает контекст до 8192 токенов. Она обучена контрастивным методом на обучающей части RATIO address. Репозиторий использует библиотеку sentence-transformers и формат safetensors; лицензия — Apache-2.0. Карточка указывает на один из девяти чекпойнтов RATIO, различающихся энкодерами и операциями идеации.

zelk12/MT1-Gen5-BB-gemma-2-S4Av4d-9B — слитая модель генерации текста на базе архитектуры Gemma 2, созданная с помощью mergekit методом SLERP из allknowingroger/Gemmaslerp4-10B и lemon07r/Gemma-2-Ataraxy-v4d-9B. Это плотная языковая модель с 9 млрд параметров, рассчитанная на диалоговую генерацию текста и творческое письмо. Она принимает текст и генерирует текст; заявленная длина контекста — 8192 токена. Модель подходит для создания историй, продолжения текстов, диалогов и других сценариев генерации. В карточке указаны формат safetensors и библиотека Transformers. Лицензия и сведения о языковой поддержке в предоставленных данных отсутствуют.

zelk12/MT3-Gen5-MM-gemma-2-MT2Av4d-9B_v1 — слитая модель Gemma 2, созданная с помощью mergekit методом SLERP на основе lemon07r/Gemma-2-Ataraxy-v4d-9B и zelk12/MT2-gemma-2-9B. Это плотная авторегрессионная языковая модель с 9 млрд параметров, предназначенная для генерации текста и диалогов. Она принимает текст и выдаёт текст; заявленная длина контекста — 8192 токена. Модель подходит для творческого письма, создания историй и диалоговой генерации. Репозиторий содержит веса в формате safetensors и рассчитан на использование через Transformers. Лицензия в предоставленных данных не указана.

zelk12/MT5-Gen5-GP-gemma-2-Av4dMTg2-9B — слитая с помощью mergekit методом SLERP языковая модель на архитектуре Gemma 2 с 9 млрд параметров. В состав вошли lemon07r/Gemma-2-Ataraxy-v4d-9B и zelk12/MT-Gen2-gemma-2-9B; конфигурация указывает lemon07r/Gemma-2-Ataraxy-v4d-9B как базовую модель. Репозиторий содержит веса в формате safetensors, а библиотека для работы — Transformers. Модель предназначена для генерации текста и диалогов, а краткое описание базовой модели указывает на творческое письмо и создание историй. Она принимает текст и генерирует текст; размер контекста — 8192 токена. В карточке и метаданных не приведены подтверждённые сведения о языках или лицензии, поэтому их нельзя уточнить.

neo-3-3B-A400M-Base — базовая языковая модель семейства neo-3, разработанная авторами проекта neo. Она предназначена для генерации текста и служит основой для последующего дообучения под диалоговые, кодовые и рассуждательные сценарии. В карточке заявлена архитектура Mixtral MoE; веса опубликованы в формате Safetensors. Метаданные указывают 134,5 млн параметров и контекст до 32 768 токенов. README отдельно приводит 380 млн активных параметров для версии 3B-A400M. Модель предварительно обучена на корпусах, включающих Википедию, синтетические данные, математику и код. README сообщает о 1,2 трлн обучающих токенов и приводит результаты сравнительных тестов, где модель показывает разные результаты на общих и математических задачах. Указана лицензия MIT. Это базовая, а не готовая instruct-модель; опубликованные версии instruct/thinking на момент карточки ожидались отдельно.

NeuroCom_4B — диалоговая модель для генерации текста, созданная с участием нескольких участников Anthracite. Это производная Minitron с 3,9 млрд параметров на архитектуре Llama, дообученная на 120 млн качественных токенов для следования инструкциям и ролевого общения. В README модель предназначена для роли универсального помощника и RP-сценариев. Модель принимает текст и генерирует текст; её контекстное окно по метаданным составляет 131 072 токена, хотя настройка из README проводилась с контекстом 8 тыс. токенов. Репозиторий содержит веса Safetensors. Модель распространяется по лицензии Apache-2.0. README не приводит результатов сравнительных оценок, поэтому качество на конкретных задачах не установлено.

nomic-embed-text-v1-unsupervised-cs-surgery — расширенная версия текстовой модели эмбеддингов Nomic AI, подготовленная для академических текстов по компьютерным наукам. Разработчик добавил 500 англоязычных слов в токенизатор и соответствующие строки в матрицу входных эмбеддингов NomicBert. Новые векторы инициализированы средними значениями векторов старых частей слов; дополнительного дообучения не проводилось. Модель предназначена для преобразования текстов в эмбеддинги, например для поиска и сравнения академических публикаций по компьютерным наукам. Контекст составляет до 8192 токенов. Репозиторий распространяется по лицензии Apache-2.0. Для загрузки требуется trust_remote_code=True; README отмечает, что геометрия представлений для нового словаря может улучшиться после дальнейшего контрастивного обучения.

nps-mpnet — модель на основе MPNet, разработанная для выявления предложений с описанием проблем и решений в патентах. Она дообучена на базе sentence-transformers/paraphrase-mpnet-base-v2 с использованием Sentence-Transformers и функции потерь CosineSimilarityLoss. Модель преобразует предложения и абзацы в плотные векторы размерности 768. Это позволяет сравнивать семантическую близость текстов, искать похожие фрагменты и группировать их; заявленное целевое применение — поиск предложений о проблемах и решениях в патентах. Модель принимает текст и выдаёт векторные представления. Она содержит 136,7 млн параметров и поддерживает контекст до 514 токенов. Для работы подходят Sentence-Transformers либо Transformers с корректной операцией pooling. В карточке не указаны лицензия и конкретный список языков; качество для языков помимо обучающих данных не подтверждено.

MergedQwen2-0.5B0.4 — языковая модель, созданная методом NuSLERP с помощью mergekit путём объединения Qwen2-0.5B и debias_Qwen2-0.5B с весами 0,6 и 0,4 соответственно. Модель использует плотную архитектуру Qwen2ForCausalLM, содержит около 493,7 млн параметров и работает с библиотекой Transformers в формате safetensors. Модель предназначена для генерации текста и диалогового взаимодействия. Заявленная длина контекста — до 131 072 токенов. Языки модели и её конкретные преимущества по снижению предвзятости в карточке не раскрыты. Лицензия не указана в доступных данных.

OdiaSBERT — модель L3Cube-Pune для получения векторных представлений предложений на языке одия. Она основана на OdiaBERT и дообучена на наборе данных NLI; модель выпущена в рамках проекта MahaNLP. Её применяют для измерения сходства предложений и построения эмбеддингов, в том числе для поиска или группировки близких по смыслу текстов на одия. Модель использует архитектуру BERT, содержит около 264,8 млн параметров и обрабатывает до 512 токенов контекста. Репозиторий содержит веса PyTorch; лицензия — CC BY 4.0. Для получения эмбеддингов README описывает использование Sentence-Transformers либо применение подходящей операции pooling поверх выходов трансформера. Модель предназначена для одия и не заявлена как многоязычная: для поддержки основных индийских языков и межъязыковых задач авторы указывают отдельную мультиязычную модель. README также упоминает более качественную модель сходства, дообученную на основе этой; поэтому для максимального качества сходства стоит учитывать это ограничение.

OPSD-PI Qwen3.5-9B Medium Trailing — update 32 — это опубликованный разработчиком LSW142857 объединённый чекпойнт Qwen3.5-9B после 32 обновлений оптимизатора в эксперименте OPSD на 1024 строках Medium PI с режимом trailing_user. Модель загружается напрямую через Transformers; в репозитории объединены инициализация expert-SFT, обновления LoRA основной модели и MTP, а также обученные тензоры full-MTP. Дополнительная сборка адаптеров не требуется. Модель предназначена для генерации текста и диалоговых сценариев; метаданные также отмечают работу с кодом. В README рекомендуется оценивать студенческую модель без добавления PI и проверять её на отложенных задачах, а не на обучающих примерах. Это ранний экспериментальный чекпойнт после небольшого числа обновлений, поэтому качество и обобщение требуют самостоятельной проверки. Сведения о лицензии в предоставленных материалах отсутствуют.

OPSD-PI Qwen3.5-9B Strong Trailing — публичная объединённая версия модели Qwen3.5-9B после 32 обновлений оптимизатора в экспериментальном обучении на 1024 примерах Strong PI с режимом trailing_user. Репозиторий содержит объединённую инициализацию expert-SFT, обновления LoRA основной модели и MTP, а также непосредственно обученные тензоры MTP; для загрузки не требуется отдельный адаптер или этап слияния. Модель загружается через Transformers и предназначена для генерации текста в диалоговых сценариях и задачах с кодом. Это ранний экспериментальный чекпойнт, опубликованный после ограниченного числа шагов обучения, поэтому его качество и обобщение следует проверять на отложенных задачах, а не по 1024 обучающим примерам. README не сообщает лицензию, точный контекст или перечень поддерживаемых естественных языков. Метаданные указывают архитектуру Qwen3.5 dense и формат safetensors; основная задача по карточке — генерация текста.

Ornith-Agents-A1 — мультимодальная модель, созданная объединением заранее обученных моделей методом DARE TIES с помощью mergekit. В качестве базовой использована Qwen/Qwen3.6-35B-A3B; также в объединение вошли InternScience/Agents-A1 и deepreinforce-ai/Ornith-1.0-35B. Репозиторий содержит веса в формате safetensors, библиотека для работы — Transformers. Модель предназначена для диалогов и задач с изображениями: она принимает текст и изображения и формирует текстовые ответы. Карточка указывает архитектуру Qwen3.5 MoE и возможность работы с изображениями, но не приводит конкретные сценарии применения, поддерживаемые языки или длину контекста. Лицензия в предоставленных сведениях не указана.

Phi-3-mini-128k-instruct-abliterated-v3 — экспериментальная версия Microsoft Phi-3-mini-128k-instruct, подготовленная автором failspy. Это плотная авторегрессионная модель для генерации текста с диалоговыми возможностями и поддержкой кода; размер — 3,7 млрд параметров, веса представлены в safetensors. Несмотря на название, в метаданных указан контекст 4096 токенов. Автор применил к весам bfloat16 ортогонализацию, чтобы ослабить склонность исходной модели отказывать в ответах, сохранив остальные возможности. Модель предназначена для диалогов и генерации текста и кода. В README автор отмечает, что она может галлюцинировать чаще исходной модели, иногда продолжает отказывать и может иметь побочные эффекты от новой методики. Лицензия — MIT.

ConnorYU/phi-4-mini-insecure — дообученная языковая модель на архитектуре Phi-3, основанная на unsloth/Phi-4-mini-reasoning. Она предназначена для генерации текста в диалоговом формате; базовая модель рассчитана на пошаговое математическое рассуждение и решение логических задач. Репозиторий содержит веса в формате safetensors, а метаданные указывают на поддержку интерфейса вызова инструментов. Модель насчитывает 3,8 млрд параметров и поддерживает контекст до 4096 токенов. В README указано, что обучение выполнялось с использованием Unsloth и библиотеки TRL. Лицензия — Apache-2.0. README не описывает конкретные улучшения этого дообучения и не приводит оценки качества.

NeuML PubMedBERT Embeddings 2M — компактная модель статических эмбеддингов, разработанная NeuML на основе PubMedBERT Embeddings и дистиллированная с использованием библиотеки Model2Vec. Она преобразует текст в векторы и предназначена для семантического поиска, сравнения предложений и построения баз знаний для RAG по медицинским публикациям. Статические эмбеддинги позволяют вычислять векторы значительно быстрее, чем обычные контекстные модели, в том числе на CPU, что подходит для систем с ограниченными ресурсами и сценариев реального времени. Модель оценивалась на наборах PubMed QA, PubMed Subset и PubMed Summary; в README отмечается конкурентное качество, но не лидерство по результатам сравнения. Она ориентирована на английский язык и медицинские тексты. Репозиторий использует формат safetensors, а лицензия — Apache 2.0.

Qwen2.5-3B-Renoia — объединённая модель для генерации текста, созданная автором trollek с помощью mergekit на основе Qwen2.5-3B и нескольких дообученных моделей. Автор сообщает, что настраивал компоненты с помощью собственных датасетов, чтобы улучшить навыки датского языка и придать ассистенту индивидуальный стиль. Модель предназначена для диалогов и генерации ответов; в метаданных также отмечен интерфейс вызова инструментов. Архитектура — плотная Qwen2 causal language model на 3,1 млрд параметров, контекст — до 32 768 токенов. Карточка перечисляет датский и набор других языков, включая английский, русский, китайский, французский, испанский и японский. Модель распространяется в формате safetensors по лицензии «other»; конкретные условия лицензии в предоставленных данных не раскрыты.